使用SPX(SpeechCLI)创建Azure自定义语音数据集报错排查

核心问题排查方向 #

以下是你可能忽略的几个关键要求，逐一核对：

1. 转录文件格式必须严格匹配
   声学数据集的转录文件（比如trans.txt）每行必须遵循音频文件名|纯文本转录内容的格式，不能有多余符号或格式错误。示例：

   train.wav|The quick brown fox jumps over the lazy dog
   

   如果有多个音频文件，每个文件都要对应一行，且文件名必须和容器内的WAV文件完全一致（包括大小写）。

2. 存储容器权限不足
   你使用的容器URLhttps://xyz.blob.core.windows.net/test-and-train-data如果是私有容器，Azure语音服务没有读取权限。解决方法：

   • 要么给容器开启Blob匿名读取权限（仅测试环境推荐）
   • 要么生成带读取权限的SAS令牌，把令牌追加到content参数末尾，示例：

     spx csr dataset create --api-version v3.1 --kind "Acoustic" --name "My Custom Speech" --description "My Acoustic Dataset Description" --project $project_id --content "https://xyz.blob.core.windows.net/test-and-train-data?sv=2023-11-03&ss=b&srt=sco&sp=rl&se=2025-01-01T00:00:00Z&st=2024-01-01T00:00:00Z&spr=https&sig=xxxx" --language "en-US"
     

3. 音频文件格式不符合要求
   必须使用16kHz采样率、16位深度、单声道PCM WAV格式，其他格式（比如MP3、高采样率WAV）会导致处理失败。可以用音频工具（比如Audacity）转换格式后再上传。

4. 存储结构不要多余嵌套
   你尝试的en-US子文件夹是多余的，因为命令已经通过--language "en-US"指定了语言，服务会直接读取容器根目录下的文件/压缩包。正确的结构应该是：

   • 直接在容器根目录放WAV和转录文件：

     test-and-train-data
     ├── train.wav
     └── trans.txt
     

   • 或者压缩成zip包（压缩包内直接放文件，不要嵌套文件夹）：

     test-and-train-data
     └── acoustic_data.zip
         ├── train.wav
         └── trans.txt
     

快速排查技巧 #

用Azure语音工作室的手动上传数据集功能，上传本地打包好的zip文件，这个过程会实时显示具体错误（比如转录格式错误、音频格式不兼容等），比SPX命令更易定位问题。

内容的提问来源于stack exchange，提问作者Mike B